KR100660231B1 - 연속압연공정의 강판의 최적 목표형상 설정방법 - Google Patents

연속압연공정의 강판의 최적 목표형상 설정방법 Download PDF

Info

Publication number
KR100660231B1
KR100660231B1 KR1020050130082A KR20050130082A KR100660231B1 KR 100660231 B1 KR100660231 B1 KR 100660231B1 KR 1020050130082 A KR1020050130082 A KR 1020050130082A KR 20050130082 A KR20050130082 A KR 20050130082A KR 100660231 B1 KR100660231 B1 KR 100660231B1
Authority
KR
South Korea
Prior art keywords
shape
rolling process
continuous rolling
steel sheet
coil
Prior art date
Application number
KR1020050130082A
Other languages
English (en)
Inventor
이규택
Original Assignee
주식회사 포스코
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 포스코 filed Critical 주식회사 포스코
Priority to KR1020050130082A priority Critical patent/KR100660231B1/ko
Application granted granted Critical
Publication of KR100660231B1 publication Critical patent/KR100660231B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/16—Control of thickness, width, diameter or other transverse dimensions
    • B21B37/24—Automatic variation of thickness according to a predetermined programme
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B1/00—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations
    • B21B1/22—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/28—Control of flatness or profile during rolling of strip, sheets or plates
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/58—Roll-force control; Roll-gap control
    • B21B37/64—Mill spring or roll spring compensation systems, e.g. control of prestressed mill stands

Abstract

본 발명은 압연공정 및 소준공정 라인의 장력 정보를 추가하고 최적 목표 도출 방법은 신경회로망을 이용하는 최적 목표 도출 정도를 높인 연속압연공정의 최적 목표형상 설정방법을 제공하는 것이다.
이에 따라, 본 발명은 연속압연공정의 강판의 형상, 소둔공정의 코일의 형상, 상기 강판 및 코일의 소재정보, 연속압연공정의 형상 계수 및 소둔공정의 형상 계수를 측정하는 단계와, 상기 측정된 형상 데이터, 상기 소재정보 및 소둔공정의 형상 계수를 신경회로망에 입력하여 연속압연공정의 형상 계수를 계산하는 단계와, 상기 측정된 연속압연공정의 형상계수와 상기 계산된 연속압연공정의 형상계수를 이용하여 반복적인 비교 및 교정을 통해 상기 신경회로망을 반복학습시켜 형상 상관 관계 모델을 생성하는 단계와, 상기 형상 상관 관계 모델에 상기 연속압연공정에서 얻고자하는 강판의 목표 형상 및 상기 연속압연공정에서 작업할 강판의 소재 정보를 입력하여 최적 목표 형상 보정 값을 구하는 단계와, 상기 최적 목표 형상 보정 값을 사전에 설정된 압연공정의 목표 형상 설정 값에 가감하여 최종 목표 형상 값을 구하여 상기 압연공정의 강판의 형상을 제어하는 단계를 포함한다.
신경회로망(Neural Network), 목표형상, 평탄도(Flatness)

Description

연속압연공정의 강판의 최적 목표형상 설정방법{METHOD FOR DECISION OPTIMAL TARGET SHAPE OF PLATE IN CONTINOUS ROLLING PROCESS}
도1은 형상불량 발생원인을 설명하기 위한 도면이다.
도2는 평탄도 불량의 예를 설명하기 위한 도면이다.
도3은 형상 교정 수단을 설명하기 위한 도면이다.
도4는 종래의 접촉식 형상 측정 장치의 예를 나타낸 도면이다.
도5는 측정 형상 및 목표 형상을 설명하기 위한 도면이다.
도6은 본 발명에 따른 최적 목표 형상 설정 시스템의 구성도이다.
도7은 본 발명에 따른 최적 목표 형상 설정 방법의 처리 흐름도이다.
도8은 본 발명에 따른 형상계수의 개념도이다.
도9는 본 발명에 적용되는 신경회로망을 포함한 형상 상관관계 모델의 학습 개념도이다.
도10은 본 발명에 적용되는 세개의 층을 가진 신경회로망의 구조도이다.
도11은 본 발명에 적용되는 신경회로망을 포함한 상관관계 모델을 이용한 제어목표형상의 보정 절차 개념도이다.
<도면의 주요부분에 대한 상세한 설명>
61...소둔공정 소재정보부 62...평탄도 측정부
63...소둔공정 형상작업 데이터 저장부
64...최적 목표 형상 설정부 65...압연공정 형상작업 데이터 저장부
66...압연공정 소재정보부 67...목표형상 보정부
71...장주기 처리공정 72...매 코일 처리공정
본 발명은 냉연 평탄도 품질향상을 위한 최적 목표형상 설정방법에 관한 것으로 특히, 압연공정 및 소둔공정 라인의 장력 정보를 추가하고 최적 목표 도출 방법은 신경회로망을 이용하여 최적 목표 도출 정도를 높인 냉연 평탄도 품질향상을 위한 연속압연공정의 강판의 최적 목표형상 설정방법에 관한 것이다.
냉연 제품의 외형적 품질 지표로서 일정 범위 내의 중심 두께 편차와, 스트립에 웨이브가 진 정도를 나타내는 평탄도(혹은 형상)가 있다.
도1은 형상불량 발생원인을 설명하기 위한 도면이다.
도1을 참조하면, 냉연에서의 형상 불량은 도1의 (b)처럼 상하의 롤(11,12)갭과 입측 소재(13)의 두께 프로파일이 일치하면 형상 불량이 발생하지 않으나, 도1의 (a)에서와 같이 입측 소재(13)가 균일하게 압연되지 못하고 부분적으로 압연이 많이 되어 압연이 적게된 곳에 비해 판 진행방향으로 길게되어 판에 웨이브가 지는 현상을 말한다.
도2는 평탄도 불량의 예를 설명하기 위한 도면이다.
도2를 참조하면, 판(13)의 중앙부분의 길게 나타나는 센터 벅클(Center buckle)(24), 양 끝단의 길이가 길게 나타나는 엣지 웨이브(Edge wave)(25)현상 등이 있다.
도3은 형상 교정 수단을 설명하기 위한 도면이다.
도3을 참조하면, 연속냉간 압연 공정은 5개의 밀이 연속으로 놓이며, 형상 제어는 일반적으로 마지막 밀에서만 이루어지고 있다. 형상 교정 방식은 백업 롤(Backup Roll)(31)좌우의 압하량 조정(Skewing)(도3의 a)을 통해 비대칭 형상을 교정하고, 상하부간의 중간 롤(Intermediate Roll)(32)과 작업 롤(Work Roll)(34)의 벤더(Bender)(도3의 b, 도3의 c)를 이용해 대칭 형상을 교정하고 있다. 그리고 기계적인 형상 교정을 통해서 교정될 수 없는 국부적인 잔여 형상 오차는 작업 롤에 대한 국부 냉각(Spot Cooling)(도3의 d)에 의해 국부적인 롤 냉각으로 제어된다.
도4는 종래의 접촉식 형상 측정 장치의 예를 나타낸 도면이다.
도4를 참조하면, 연속 냉간 압연 공정에서 형상 측정 장치는 마지막 밀과 권취기 사이에 존재하며 측정 방식은 판의 불균일한 연신이 폭 방향 장력 편차를 유 발하게 되는 곳을 측정한 후 탄성식을 이용해 역으로 폭방향 연신차(I-Unit)를 구하게 된다. 상기 형상 측정 장치는 측정 롤이 일정 간격으로 구분이 되어 있으며 각 존(Zone)에는 로드 쉘(Load Shell)이 들어 있어 판의 폭 방향 장력 편차로 인해 발생되는 하중 편차를 직접 측정하는 방식이다.
도5는 측정 형상 및 목표 형상을 설명하기 위한 도면이다.
도5를 참조하면, 형상 제어를 수행하기 위해서는 목표 혹은 기준 형상 값이 존재해야 하는데, 도5의 1은 목표 형상이 되며, 2는 각 존(Zone)의 폭방향 연신차(I-Unit)가 된다. 따라서 자동 형상 제어를 통해 각 존(Zone)의 폭방향 연신차(I-Unit) 값들이 1번의 목표 형상 곡선(Curve)을 추종하게 된다.
이상적으로는, 목표 형상 곡선을 평탄(Flat)하게 설정하면 실제 판도 굴곡(Wave) 지지 않고 평탄한 판이 나와야 하나 실제는 그렇지 못하고 엣지 웨이브(Edge Wave)가 나오는 경우가 대부분이다. 그 원인은 스트립의 양 엣지(edge, 끝)가 형상 측정 롤의 끝 존(Zone)에 100% 커버(cover)하지 못하는 경우가 발생하게 되며 이런 경우에는 측정 정도가 떨어지게 되고, 또한, 측정 존(Zone)의 폭이 넓을 경우에도 측정 정도가 떨어지게 된다. 따라서, 일반적으로 작업자들은 약 센터 웨이브(Center Wave)성으로 작업하게 된다. 그리고, 측정값에는 엣지 웨이브가 측정되지 않으나 작업 중 작업자가 볼 때 엣지 웨이브가 발생되는 경우 또한, 벤더 값을 올려 센터 웨이브 성으로 작업한다.
이와 같이, 형상 제어는 두께 제어와는 달리 형상 측정에 근원적인 어려움이 있을 뿐만 아니라 밀의 기계적인 한계로 인해 완벽하게 평탄한 판을 생산하는데는 어려움이 있다. 물론, 후공정을 거치는 제품의 경우는 소둔 및 레벨러(Levelller)를 통함으로써 평탄해 지지만, 압연 후 바로 제품이 되는 경우는 웨이브가 존재하게 된다. 그리고 후공정(연속 소둔 공정)을 경유하게 되는 판이라 할지라도 형상이 불량할 경우 코일간 용접에 어려움이 있을 뿐만 아니라 작업 속도를 올리지 못함으로써 생산량에 영향을 미치게 된다.
이와 같은 이유로 판의 형상은 중요하며, 압연 조업자들은 형상 품질을 향상 시키기 위해 많은 노력을 기울이고 있다. 그 중 하나가 목표 형상 설정 문제인데, 조업자가 특정 목표 형상 값을 설정하여 작업을 하였더라도 장력이 적게 걸려, 판의 평탄도를 눈으로 확인할 수 있는 후공정에서 어떻게 나타나는지는 후공정의 작업자의 의견들을 통해서만 확인할 수 있다. 그러나, 매 코일마다 이런 식으로 확인은 불가능하며 후공정 작업자의 평탄도 판단 근거도 일정하지 않고, 작업자도 바뀌므로 강종, 사이즈에 따른 최적의 목표 형상 곡선을 설정하는 데는 한계가 있다.
이런 이유로 인해 판의 형상 품질이 강종 및 작업자에 따라 편차가 발생하게 되며, 실제 자신이 작업한 판이 후공정에서 형상이 나쁘게 나오고 있는데도 불구하고 압연 공정의 작업자는 그것을 인지하지 못하고 지속적으로 같은 목표 형상 값으로 작업하게 된다.
이를 해결하기 위해 연속 소둔 공정 입측에 평탄도 측정 장치 개발이 요구되어지며, 여기서 측정된 평탄도 값과 연속 압연 공정에서 측정된 형상 값의 상관성을 분석하여 최적의 목표 형상 곡선을 주기적으로 설정해주는 시스템이 요구되어진 다.
이와 유사한 특허로 1990년 일본 특허 주행 중의 띠 형상 또는 판 형상 금속재의 폭방향 형상을 조정하는 장치 (90-14046호)가 있으며 그 특징은 다음과 같다.
첫째, 형상 제어부로부터 조업 데이터를 수신하여 목표 형상 조정 장치에서 압연 상황을 고려하여 최적의 목표 형상을 추론하여 형상 제어부로 전달하는 방식으로 제어를 수행한다.
둘째, 상기 특허의 목표 형상 변경은 과거의 형상 실적과 조업 조건, 형상 제어의 분위기만을 고려하여 경험적으로 최적의 목표 형상을 도출하는 것을 목적으로 한다.
그러나, 연속 고속 압연의 경우 상술한 바와 같이 사람이 직접 형상을 눈으로 볼 수 있는 상황이 아니며, 또한 고장력 상태이므로 판의 형상을 눈으로 확인하기 불가능하다. 그리고 해당 코일을 1 - 2 일 이후 소둔 라인에서 최종적 제품화 처리에 앞서 코일을 다시 풀어 소둔 처리를 하기 전에 형상을 측정하면 다른 형태로 형상이 변형되어 있는 경우가 많아, 냉연 형상 제어부에서 이를 고려한 목표 형상의 수정을 달리할 필요가 있다.
이와 같이 타사 특허는 단일스탠드내에서 목표형상 설정 문제를 다루고 경험에 의존하지만 당사 개발 내용은 후공정(연속 소둔공정) 입측의 평탄도를 직접 측정하고 이를 전공정(압연 공정)의 형상정보와 비교분석하여 압연시 최적의 목표 형상을 설정하는데 있어 차이점이 있다.
또한, 본 발명의 원천 발명인 냉연 평탄도 품질향상을 위한 최적 목표 형상 설정 시스템 및 그 방법 (출원번호:2002-0085122)에서 최적 목표 형상 도출 방법에 있어서의 차이점은 기존 발명은 최적 목표 형상 도출시 두 라인의 장력을 고려하지 않고 층별 분류 후 평균 형태로 최적 목표 형상을 도출하여 평탄도가 다소 떨어지는 문제점이 있다.
상술한 문제점을 해결하기 위해, 본 발명의 목적은 압연공정 및 소준공정 라인의 장력 정보를 추가하고 최적 목표 도출 방법은 신경회로망을 이용하는 최적 목표 도출 정도를 높인 연속압연공정의 최적 목표형상 설정방법을 제공하는 것이다.
상술한 목적을 달성하기 위해, 본 발명은 연속압연공정의 강판 형상 및 소둔공정의 코일 형상을 이용하여 연속압연공정의 강판의 최적 목표형상 설정방법에 있어서, 연속압연공정의 강판의 형상, 소둔공정의 코일의 형상, 상기 강판 및 코일의 소재정보, 연속압연공정의 형상 계수 및 소둔공정의 형상 계수를 측정하는 단계와, 상기 측정된 연속압연공정의 강판의 형상, 소둔공정의 코일의 형상, 상기 강판 및 코일의 소재정보 및 소둔공정의 형상 계수를 신경회로망에 입력하여 연속압연공정의 형상 계수를 계산하는 단계와, 상기 측정된 연속압연공정의 형상계수와 상기 계 산된 연속압연공정의 형상계수를 이용하여 반복적인 비교 및 교정을 통해 상기 신경회로망을 반복학습시켜 형상 상관 관계 모델을 생성하는 단계와, 상기 형상 상관 관계 모델에 상기 연속압연공정에서 얻고자하는 강판의 목표 형상 및 상기 연속압연공정에서 작업할 강판의 소재 정보를 입력하여 최적 목표 형상 보정 값을 구하는 단계와, 상기 최적 목표 형상 보정 값을 사전에 설정된 압연공정의 목표 형상 설정 값에 가감하여 최종 목표 형상 값을 구하여 상기 압연공정의 강판의 형상을 제어하는 단계를 포함하는 것을 특징으로 한다.
상기 신경회로망은 상기 측정된 연속압연공정의 강판의 형상, 소둔공정의 코일의 형상, 상기 강판 및 코일의 소재정보 및 소둔공정의 형상 계수를 이용하여 연속압연공정의 형상 계수를 계산하고, 상기 측정된 연속압연공정의 형상 계수와 비교하여 오차를 계산하는 단계와, 상기 오차를 줄이기 위해 상기 신경회로망에 포함된 복수의 전향연결값의 방향을 계산하여 상기 복수의 전향연결값의 수정정도를 결정하는 단계와, 상기 결정에 따라 상기 복수의 전향연결값을 수정하는 단계와, 상기 복수의 전향연결값에 따라 상기 연속압연공정의 형상 계수를 재계산하고 상기 측정된 연속압연공정의 형상 계수와 비교하여 그 오차가 사전에 설정된 허용범위이하일때까지 상기 단계를 반복하는 것을 특징으로 한다.
이하 도면을 참조하여 본 발명을 상세히 설명한다.
도6은 본 발명에 따른 최적 목표 형상 설정 시스템의 구성도이다.
도6을 참조하면, 본 발명에 따른 최적 목표 형상 설정 시스템은 후 공정의 형상을 측정 할 수 있는 평탄도 측정부(62)과 측정된 평탄도 값 및 소둔공정 소재정보부(61)로부터의 코일소재정보 등을 저장하는 소둔공정 형상작업 데이터 저장부(63), 압연 공정에서의 형상 측정값 및 압연공정 소재정보부(66)로부터의 강판의 소재정보를 저장하는 압연공정 형상작업 데이터 저장부(65)과 상기 소둔공정 형상작업 데이터 저장부(63) 및 압연공정 형상작업 데이터 저장부(65)로부터의 형상, 평탄도 정보로부터 최적 목표 형상 곡선을 설정하는 최적 목표 형상 설정부(64) 및 상기 목표형상을 보정하는 목표형상 보정부(67)로 이루어지며 여기서 계산된 최적 목표 형상 값은 형상제어부(68)의 기준 입력이 되어 형상제어가 이루어지게 된다.
도7은 본 발명에 따른 최적 목표 형상 설정 방법의 처리 흐름도이다.
도7을 참조하면, 본 발명은 장주기 처리공정(71)과 압연라인에서의 매 코일 처리공정(72)으로 나누어 진다. 상기 장주기 처리 공정(71)에서는 형상 상관 관계 모델을 주기적으로 생성하게 되며(64c) 형상 상관 관계 모델을 생성하기 위해서는 압연공정 및 소둔공정의 형상, 소재 정보로부터 전처리를 하게 된다. 전처리부(64a, 64b)에서는 코일 전 길이에 대한 형상 정보중 미들(Middle) 부의 일정 구간의 형상 정보를 평균하여 구하게 되며 대표 형상은 도8의 압연공정 및 소둔공정의 형상계수 (λ1, λ2, λ3, λ4)와 같이 나타내게 된다. 상기 매 코일 처리 공정(72)에서는 상기 형상 상관 관계 모델 생성부(64c)에서 만들어진 모델을 상기 목표 형상 보정부(67)에 입력하여 여기에 후공정에서 얻고자하는 목표 형상(d1)과 압연 라인에서 작업할 소재의 정보(d2)를 입력하여 계산하면 최적 목표 형상 보정 값이 출력으로 나오게 된다. 상기 최적 목표 형상 보정 값을 압연공정의 목표 형상 설정 값으로부터 차감하여 상기 형상제어부(68)의 목표 형상값으로 쓰이게 된다. 이와 같은 일련의 과정이 자동으로 처리되며 형상 상관 관계 모델이 주기적으로 생성됨에 따라 소재의 변화, 압연, 소둔 라인의 작업 조건의 변화에 대응이 가능함으로서 항상 최적의 형상 제품을 생산할 수 있게 된다.
상기 형상 상관 관계 모델 생성부(64c)는 신경회로망을 포함하여 형상 상관 관계 모델을 생성하게 되는데, 그 생성 절차는 도9 내지 도11을 참조하여 설명하기로 한다.
도9는 본 발명에 적용되는 신경회로망을 포함한 형상 상관관계 모델의 학습 개념도이다.
도9를 참조하면, 형상상관 관계 모델의 학습 절차를 나타내고 있으며, 여기서 형상 상관관계 모델은 신경회로망을 이용하여 구현하였다. 신경회로망은 망구조의 병렬 연결을 갖는 인간의 뇌세포에서 수행되는 다양한 지적활동의 생화화적 반응에 착안한 지능형 모델로서 전형적인 비선형 MIMO(Multi Input Multi Output) 시스템과 유사한 특성을 갖는다. 많은 신경회로망 모델 중 본 발명에서 형상의 상관관계 모델링에 이용한 역전파(Backpropagation) 신경회로망의 특성과 학습원리 등은 도10을 참조하여 설명하기로 한다.
도10은 본 발명에 적용되는 세개의 층을 가진 신경회로망의 구조도이다.
도10을 참조하면, 전형적인 역전파(Backpropagation) 신경회로망의 구조를 보여준다. 상기 역전파(Backpropagation) 신경회로망은 입력층, 출력층, 그리고 하나 이상의 은닉층(또는 중간층)으로 구성되는 다층구조를 가지며 각층에 속하는 처리소자(Node)들은 신호를 입력층으로부터 출력층 방향으로만 전달하는 전향연결(Feedforward connection)을 가진다. 한 층에 속하는 각각의 처리소자들은 다음 층의 모든 처리소자에 신호를 전달해 주어야 하므로 결국 전향연결은 망(network)구조를 형성하게 된다.
상기 역전파(Backpropagation) 신경회로망을 구성하는 모든 처리소자들 역시 극히 단순한 일을 하지만 망구조의 전향적 연결을 이용함으로써 복잡한 문제를 해결할 수 있는 능력이 부여되는 것이다.
상기 역전파(Backpropagation) 신경회로망의 동작원리(입력데이터와 출력데이터 간의 상관관계를 학습하는 원리)를 자세히 설명하면,
우선, 상관관계를 학습하는 원리는
(1)측정된 연속압연공정의 강판의 형상, 소둔공정의 코일의 형상, 강판 및 코일의 소재정보 및 소둔공정의 형상 계수를 이용하여 연속압연공정의 형상 계수를 계산하고, 상기 측정된 연속압연공정의 형상 계수와 비교하여 오차를 계산하는 단계
(2)상기 오차를 줄이기 위해 상기 신경회로망에 포함된 복수의 전향연결값의 방향을 계산하여 상기 복수의 전향연결값의 수정정도를 결정하는 단계와, 상기 결 정에 따라 상기 복수의 전향연결값을 수정하는 단계
(3)상기 복수의 전향연결값에 따라 상기 연속압연공정의 형상 계수를 재계산하고 상기 측정된 연속압연공정의 형상 계수와 비교하여 그 오차가 사전에 설정된 허용범위이하일때까지 상기 단계를 반복하는 단계로 이루어진다.
입력데이터(입력벡터 X)를 출력데이터(출력벡터 Y)로 맵핑(Mapping) 하는 함수, 즉
Figure 112005076454409-pat00001
를 구하고자 할 때 가장 먼저 해야 할 일은 입력데이터 - 목표출력데이터의 쌍으로 구성되는 학습데이터를 준비하는 일이다. 일반적으로 학습데이터는 상기 역전파(Backpropagation) 신경회로망이 학습하고자 하는 맵핑(Mapping )함수에 대한 충분한 샘플(Sample)이 포함되어 있어야 하므로 대체로 다량의 데이터를 수집하는 것이 필수적이다. 역전파(Backpropagation) 신경회로망에서의 학습은 다량의 입력데이터를 순차적으로 받아들여 자신의 출력을 계산하고 이를 목표출력데이터와 비교한 오차를 줄이는 방향으로 전향연결을 수정하는 과정을 무한히 반복한다. 따라서 정확한 Mapping 함수의 구현에 필요한 전향연결들의 최적 집합을 찾아가는 과정이라 할 수 있다.
먼저, 입력 벡터
Figure 112005076454409-pat00002
가 역전파(Backpropagation) 신경회로망의 입력층에 가해지면 입력층의 처리소자들은 이 신호를 은닉층과의 전향연결을 통해 은닉층으로 전달해 준다. 은닉층의 j번째 처리소자에 전달되는 입력의 가중합은 다음과 같이 계산된다
Figure 112005076454409-pat00003
(1)
여기서
Figure 112005076454409-pat00004
는 Bias 값이다.
이 처리소자의 출력은 입력의 가중합에 활성화함수를 취하는 식(2)로 구해진다.
Figure 112005076454409-pat00005
(2)
Figure 112005076454409-pat00006
는 전향연결을 통해 출력층에 전달되므로 출력층 처리소자의 입력 가중합은
Figure 112005076454409-pat00007
(3)
으로 구해지고 마지막으로 출력층 처리소자의 출력이 다음과 같이 구해진다.
Figure 112005076454409-pat00008
(4)
초기에 설정되는 전향연결값들은 해당 문제에 대한 전향연결의 첫번째 추정값이라 할 수 있다. 신경회로망 이외의 방법에서는 초기의 추정값이 상당히 중요한 역할을 하게 되나 신경회로망에서는 학습 정도가 초기의 추정값에 크게 의존하지 않는다. 지금까지의 과정은 역전파(Backpropagation) 신경회로망에 입력데이터가 가해졌을 때 그 출력 데이터를 구하는 과정이다.
출력층의 전향연결을 수정하는 방법은 다음과 같다. 출력층의 한 처리소자에서 계산되는 오차를
Figure 112005076454409-pat00009
라 정의하는데, 이때
Figure 112005076454409-pat00010
는 목표출력 데이터이다.
일반화된 델타 규칙에 의하면 입력데이터 P에 대한 전체 오차는 출력층 처리소자들의 오차의 제곱합이 되며 식 (5)와 같이 구해진다.
Figure 112005076454409-pat00011
(5)
전향연결을 수정할 방향을 결정하기 위해
Figure 112005076454409-pat00012
에 대한
Figure 112005076454409-pat00013
의 음의 기울기(Gradient)
Figure 112005076454409-pat00014
는 Chain rule을 이용하여 다음과 같이 계산된다.
Figure 112005076454409-pat00015
(6)
식을 간단히 하기 위하여
Figure 112005076454409-pat00016
의 미분값을 구하지 않고 단순히
Figure 112005076454409-pat00017
을 사용하면 식 (6)의 마지막 항의 미분값은 식 (7)이 된다.
Figure 112005076454409-pat00018
(7)
식 (7)을 (6)에 대입하면 최종적인 음의 기울기는 다음과 같다.
Figure 112005076454409-pat00019
(8)
전향연결의 수정량은
Figure 112005076454409-pat00020
의 음의 기울기에 비례하므로 식 (8)의 우측항 으로 나타낼 수 있으므로 출력층의 전향연결은 다음과 같이 수정된다.
Figure 112005076454409-pat00021
(9)
Figure 112005076454409-pat00022
(10)
여기서
Figure 112005076454409-pat00023
는 학습율(Learning rate)을 의미한다.
앞에서 보류하였던
Figure 112005076454409-pat00024
의 미분값을 구하려면 먼저 이 함수가 미분가능 해야 함을 알 수 있는데 일반적으로BPN은 미분 가능한 Sigmoide 함수를 사용한다. Sigmoid 함수를 사용하는 경우
Figure 112005076454409-pat00025
의 미분값은
Figure 112005076454409-pat00026
가 되므로 식 (9)를 다시 쓰면 식(11)과 같다.
Figure 112005076454409-pat00027
Figure 112005076454409-pat00028
(11)
여기서 출력층의 오차항은
Figure 112005076454409-pat00029
이 된다.
은닉층의 전향연결을 수정하는 과정 역시 출력층에서 수행된 방법과 같지만 여기서 문제가 되는 것은 은닉층 출력의 오차를 구하는 것이다. 우리는 실제 출력 값은 알고 있지만 각 은닉층의 처리소자가 어떤 출력을 내야 올바른가는 미리 알 수 있는 방법이 없다. 그러나, 전체 오차
Figure 112005076454409-pat00030
가 어떤 식으로든 은닉층의 출력값들과 관계가 있음을 식 (5)를 다음과 같이 변형해보면 직감적으로 알 수 있다.
Figure 112005076454409-pat00031
Figure 112005076454409-pat00032
Figure 112005076454409-pat00033
여기서
Figure 112005076454409-pat00034
는 식 (2)와 (3)에 의해 은닉층의 전향연결에 의존함을 알 수 있으므로 이 사실을
Figure 112005076454409-pat00035
의 은닉층 전향연결에 대한 기울기를 계산하는데 다음과 같이 이용한다.
Figure 112005076454409-pat00036
Figure 112005076454409-pat00037
(12)
식(12)의 각 인자들에 앞에서 구한 식들의 결과를 대입하면
Figure 112005076454409-pat00038
(13)
은닉층의 전향연결에 대한 수정값은 음의 기울기에 비례하므로
Figure 112005076454409-pat00039
(14)
따라서, 은닉층 전향연결의 최종적인 변화형태는 식(15)와 같이 구할 수 있다.
Figure 112005076454409-pat00040
=
Figure 112005076454409-pat00041
(15)
여기서 은닉층의 오차항은
Figure 112005076454409-pat00042
이 된다.
두번째, 역전파 신경회로망을 이용한 형상상관관계 모델의 학습이 완료되면 상기 압연라인의 매 코일 처리 공정(72)에 모델을 적용하여 압연공정의 형상제어시스템을 보정할 수 있다. 압연공정의 형상제어시스템은 소재의 압연이 시작될 때 압연 조건설정 테이블(table)로부터 해당 소재에 적합한 제어목표 형상을 읽어 PLC(Programmable Logic Controller)로 전송하고 PLC는 압연공정의 형상이 이 목표형상이 되도록 제어조작량을 설정하게 된다. 제어 목표형상을 보정하는 목적은 현재 압연 형상실적을 기반으로 제어조작량을 결정하는 형상제어시스템이 수요가가 접하게 되는 무장력 상태의 형상(본 발명의 경우 소둔 공정에서 측정한 형상)을 기반으로 제어하도록 함으로써 수요가가 접하는 형상을 보다 평탄하게 제어하도록 하기 위한 것이다.
도11은 본 발명에 적용되는 신경회로망을 포함한 상관관계 모델을 이용한 제어목표형상의 보정 절차 개념도이다.
도11을 참조하면, 학습이 완료된 신경회로망을 이용한 형상 상관관계 모델을 이용하여 제어 목표형상의 보정 절차를 보여준다. 소둔공정의 입측 형상을 입력으로 받아 압연공정 형상으로 맵핑(Mapping) 하도록 학습된 상관관계 모델에 소둔공정에서 얻고자 하는 목표형상의 계수를 입력으로 주면 압연공정의 제어시스템에서 설정해야 할 제어 목표형상 계수를 출력으로 얻을 수 있다.
이상에서 설명한 본 발명은 전술한 실시 예 및 첨부된 도면에 의해 한정되는 것이 아니고 특허청구범위에 의해 한정되며, 본 발명의 구성은 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 그 구성의 다양한 변경 및 개조가 가능하다는 것을 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 쉽게 알 수 있다.
상술한 바와 같이, 본 발명에 따르면, 신경회로망을 통한 연속압연공정의 형상정보 및 소준공정의 장력의 상관분석을 이용하여 연속압연공정의 최적 목표형상을 제시해줌으로써, 형상품질의 편차를 최소화할 수 있는 효과가 있다.

Claims (2)

  1. 연속압연공정의 강판 형상 및 소둔공정의 코일 형상을 이용하여 연속압연공정의 강판의 최적 목표형상 설정방법에 있어서,
    연속압연공정의 강판의 형상, 소둔공정의 코일의 형상, 상기 강판 및 코일의 소재정보, 연속압연공정의 형상 계수 및 소둔공정의 형상 계수를 측정하는 단계;
    상기 측정된 연속압연공정의 강판의 형상, 소둔공정의 코일의 형상, 상기 강판 및 코일의 소재정보 및 소둔공정의 형상 계수를 신경회로망에 입력하여 연속압연공정의 형상 계수를 계산하는 단계;
    상기 측정된 연속압연공정의 형상계수와 상기 계산된 연속압연공정의 형상계수를 이용하여 반복적인 비교 및 교정을 통해 상기 신경회로망을 반복학습시켜 형상 상관 관계 모델을 생성하는 단계;
    상기 형상 상관 관계 모델에 상기 연속압연공정에서 얻고자하는 강판의 목표 형상 및 상기 연속압연공정에서 작업할 강판의 소재 정보를 입력하여 최적 목표 형상 보정 값을 구하는 단계; 및
    상기 최적 목표 형상 보정 값을 사전에 설정된 압연공정의 목표 형상 설정 값에 가감하여 최종 목표 형상 값을 구하여 상기 압연공정의 강판의 형상을 제어하는 단계
    를 포함하는 것을 특징으로 하는 연속압연공정의 강판의 최적 목표형상 설정방법.
  2. 제1항에 있어서, 상기 신경회로망은
    상기 측정된 연속압연공정의 강판의 형상, 소둔공정의 코일의 형상, 상기 강판 및 코일의 소재정보 및 소둔공정의 형상 계수를 이용하여 연속압연공정의 형상 계수를 계산하고, 상기 측정된 연속압연공정의 형상 계수와 비교하여 오차를 계산하는 단계;
    상기 오차를 줄이기 위해 상기 신경회로망에 포함된 복수의 전향연결값의 방향을 계산하여 상기 복수의 전향연결값의 수정정도를 결정하는 단계;
    상기 결정에 따라 상기 복수의 전향연결값을 수정하는 단계;
    상기 복수의 전향연결값에 따라 상기 연속압연공정의 형상 계수를 재계산하고 상기 측정된 연속압연공정의 형상 계수와 비교하여 그 오차가 사전에 설정된 허용범위이하일 때까지 상기 단계를 반복하는 것을 특징으로 하는 연속압연공정의 강판의 최적 목표형상 설정방법.
KR1020050130082A 2005-12-26 2005-12-26 연속압연공정의 강판의 최적 목표형상 설정방법 KR100660231B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020050130082A KR100660231B1 (ko) 2005-12-26 2005-12-26 연속압연공정의 강판의 최적 목표형상 설정방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020050130082A KR100660231B1 (ko) 2005-12-26 2005-12-26 연속압연공정의 강판의 최적 목표형상 설정방법

Publications (1)

Publication Number Publication Date
KR100660231B1 true KR100660231B1 (ko) 2006-12-21

Family

ID=37815194

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020050130082A KR100660231B1 (ko) 2005-12-26 2005-12-26 연속압연공정의 강판의 최적 목표형상 설정방법

Country Status (1)

Country Link
KR (1) KR100660231B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104001730A (zh) * 2013-02-22 2014-08-27 宝山钢铁股份有限公司 目标板形设定方法
CN106529037A (zh) * 2016-11-10 2017-03-22 燕山大学 连退过程以降炉辊粗糙度衰减影响为目标的张力补偿方法
CN109433830A (zh) * 2018-11-06 2019-03-08 燕山大学 一种冷轧板形闭环控制方法及系统
CN112029990A (zh) * 2020-07-16 2020-12-04 宝钢湛江钢铁有限公司 一种冷轧带钢连退加热炉自动纠偏控制方法
KR20230000515A (ko) * 2021-06-24 2023-01-03 서진산업 주식회사 차량용 샤시프레임 교정시스템

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104001730A (zh) * 2013-02-22 2014-08-27 宝山钢铁股份有限公司 目标板形设定方法
CN104001730B (zh) * 2013-02-22 2016-03-30 宝山钢铁股份有限公司 目标板形设定方法
CN106529037A (zh) * 2016-11-10 2017-03-22 燕山大学 连退过程以降炉辊粗糙度衰减影响为目标的张力补偿方法
CN106529037B (zh) * 2016-11-10 2019-05-28 燕山大学 连退过程以降炉辊粗糙度衰减影响为目标的张力补偿方法
CN109433830A (zh) * 2018-11-06 2019-03-08 燕山大学 一种冷轧板形闭环控制方法及系统
CN109433830B (zh) * 2018-11-06 2020-01-07 燕山大学 一种冷轧板形闭环控制方法及系统
CN112029990A (zh) * 2020-07-16 2020-12-04 宝钢湛江钢铁有限公司 一种冷轧带钢连退加热炉自动纠偏控制方法
CN112029990B (zh) * 2020-07-16 2022-04-08 宝钢湛江钢铁有限公司 一种冷轧带钢连退加热炉自动纠偏控制方法
KR20230000515A (ko) * 2021-06-24 2023-01-03 서진산업 주식회사 차량용 샤시프레임 교정시스템
KR102605258B1 (ko) * 2021-06-24 2023-11-24 서진산업 주식회사 차량용 샤시프레임 교정시스템

Similar Documents

Publication Publication Date Title
KR100660231B1 (ko) 연속압연공정의 강판의 최적 목표형상 설정방법
CN115121626B (zh) 一种基于误差补偿的热轧带钢瞬态热辊型预报方法
CN112037209A (zh) 一种钢板轧辊磨损量预测方法及系统
JP6229799B2 (ja) 平坦度制御装置
JP2012101235A (ja) 冷却停止温度制御装置および冷却停止温度制御方法
Prinz et al. Online parameter estimation for adaptive feedforward control of the strip thickness in a hot strip rolling mill
KR20040043911A (ko) 신경 회로망을 이용한 압연 하중 예측 장치 및 방법
KR100641755B1 (ko) 사상압연 폭 마진 제어장치 및 그 방법
KR102384015B1 (ko) 판재 교정 장치
JP6036857B2 (ja) 圧延機の制御方法、圧延機の制御装置、及び圧延材の製造方法
JP7298551B2 (ja) 熱間圧延における反り予測方法、反り抑制方法、圧延材の製造方法、並びに、熱間圧延における反り予測装置、反り抑制装置、圧延材の製造設備
KR20020052433A (ko) 연속압연기의 롤갭 설정방법
CN113210936A (zh) 一种直缝焊管的焊接方法、系统和可读介质
Feng et al. Roller parameters prediction of steel tube based on principal component analysis and BP neural network
JP3581480B2 (ja) 矯正量検出方法及び歪矯正装置
Kim et al. Sensitivity analysis on a neural network for analyzing the camber in hot rolling process
JP2006021243A (ja) 熱間圧延ミルのクラウン制御装置およびその制御方法
Uppgard Predicting post-rolling flatness by statistical analysis
TWI824834B (zh) 連續輥軋製程檢測方法
JP2000126809A (ja) 圧延機のセットアップ装置
JP2719215B2 (ja) 板圧延のエッジドロップ制御方法
WO2019132502A1 (ko) 사상 압연기의 부하 배분 설정 장치
JPH08318302A (ja) ルーパ異常挙動予測装置
JP3892797B2 (ja) 圧延機の適応制御方法
JP2021194690A (ja) 板厚制御装置、板厚制御方法、プログラム、及び圧延システム

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20121207

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20131202

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20141128

Year of fee payment: 9

FPAY Annual fee payment

Payment date: 20151210

Year of fee payment: 10

FPAY Annual fee payment

Payment date: 20161212

Year of fee payment: 11

FPAY Annual fee payment

Payment date: 20171214

Year of fee payment: 12

FPAY Annual fee payment

Payment date: 20181211

Year of fee payment: 13